OPTIMIZING WAREHOUSE MONITORING WITH IOT SENSORS AND MACHINE LEARNING: AN EMPIRICAL STUDY

Аннотация

В данной статье представлено эмпирическое исследование,
направленное на интеграцию данных датчиков Интернета вещей (IoT) с методами
машинного обучения (ML) для оптимизации мониторинга и управления
складскими объектами. Предлагаемая система решает две основные проблемы
современных складских операций: (1) обнаружение активности грызунов с
использованием данных датчиков движения и (2) выявление экологических
рисков, таких как порча продукции, отражающаяся в аномалиях выбросов газов,
температурных и влажностных режимов. Для верификации предложенного
подхода был создан синтетический набор данных, охватывающий 30-дневный
период с почасовой дискретизацией, в котором значения сенсоров
аннотированы событиями «Обнаружение грызунов» и «Оповещение о порче».
В качестве основного метода классификации использовался классификатор
Random Forest, выбранный за его устойчивость к шуму и несбалансированным
данным, а также за возможность оценки важности признаков. Модель достигла
точности примерно 95,24 % при обнаружении активности грызунов, что свиде-
тельствует о высокой эффективности подхода в сложных условиях реального
мира. Кроме технических аспектов, статья посвящена анализу экономических